近日，暨南大学广东智慧教育研究院罗伟其教授团队的两项智慧教育最新研究成果“Cognitive Diagnosis Focusing on Knowledge Concepts”、“Knowledge Tracing Model with Learning and Forgetting Behavior”被国际学术会议ACM CIKM（2022）录用。该两项成果主要研究基于人工智能的知识追踪、知识诊断，是属于交叉学科的研究领域，由研究院罗伟其教授带领官全龙、方良达、何振宇、何毅舟等教授共同指导研究生完成。第31届国际计算机学会信息与知识管理大会（The 31th ACM International Conference on Information and Knowledge Management, CIKM 2022）将于今年10月17日-10月21日召开。CIKM是CCF推荐的B类国际学术会议，是信息检索和数据挖掘领域顶级学术会议之一。

“Cognitive Diagnosis Focusing on Knowledge Concepts”被接收为长文，2020级硕士生李胜为第一作者。认知诊断是教育测量和心理学领域的一项重要任务，旨在诊断参与者的优势和劣势。现有的认知诊断方法只考虑练习的知识部分涉及哪些知识概念，而忽略了在实际学习情况下不同知识概念对练习成绩的影响。为了更全面地模拟学生和练习之间的交互，团队研发了基于神经网络的认知诊断CDMFKC模型。该模型方法不仅捕获了练习特征、学生表现和他们对每个知识概念的掌握之间的非线性相互作用，还通过设计知识概念的难度和区分，进一步考虑了知识概念的影响，并使用多个神经层对其相互作用进行建模，以便获得更准确和可解释的诊断结果。此外，团队还提出了一种改进的CDMFKC模型，该模型具有根据知识概念能力和学生能力向量设计的猜测参数和滑动参数。我们在六个实际数据集上验证了这两个诊断模型的性能。实验结果表明，两种模型在准确性、合理性和可解释性方面都有不错的效果。

图1  CDMFKC模型

         “Knowledge Tracing Model with Learning and Forgetting Behavior”被接收为短文，2020级研究生陈明智为第一作者。知识追踪任务旨在根据学生的历史学习行为，实时跟踪学生的知识状态的变化，并预测学生未来的学习表现。团队针对目前知识追踪模型对学习和遗忘行为关注不足的问题，利用人工智能技术与教育心理学理论相结合，提出了一个新的知识追踪模型LFBKT，综合考虑了影响学习和遗忘行为的因素，构建了知识获取层、知识吸收层和知识遗忘层。此外，LFBKT引入了难度信息来丰富练习本身的信息，同时考虑到除了答案之外的其他答题表现的影响。在多个公共数据集上的实验结果表明，LFBKT能够更好地跟踪学生的知识状态，并且在ACC和AUC方面优于现有的模型。

图2  LFBKT的模型结构

该两项研究成果得到了国家自然科学基金、广东省基础与应用基础研究基金等项目的资助，为智慧教育领域的知识诊断和知识追踪方向提供了新的研究思路，将促进知识诊断和知识追踪方向的前沿研究发展。